[发明专利]一种基于人工智能的雾无线接入网络组网方法及装置

权利要求书

1.一种基于人工智能的雾无线接入网络组网方法，其特征在于，包括：

中央计算逻辑模块接收上报的数据，所述上报的数据包括：无线接入网络中用户终端上报的测量汇报数据，基站上报的无线传输数据以及无线接入网络上报的运维数据，所述测量汇报数据包含用户行为，所述无线传输数据包含业务属性，所述运维数据包含所述无线接入网络的性能指标；

所述中央计算逻辑模块在第一周期内基于所述上报的数据，通过机器学习算法，得到在所述无线接入网络的覆盖范围下，与所述用户行为、所述业务属性及所述性能指标相匹配的一种无线接入网络工作模式；

边缘通信实体的边缘计算逻辑模块接收来自所述中央计算逻辑模块的所述无线接入网络工作模式；在第二周期内依据所述无线接入网络工作模式，判断已配置边缘通信实体是否满足组网目的，所述第二周期小于所述第一周期；

若判定已配置边缘通信实体当前调配的资源不满足组网目的，则所述边缘计算逻辑模块在第三周期内采用为深度强化学习算法的机器学习算法，优化对已配置边缘通信实体所述资源的调配，所述第三周期小于所述第二周期；其中，所述边缘计算逻辑模块通过根据当前状态下不同动作带来的奖励进行动作的选择，使得基于深度强化学习的资源调配能够在连续的时间内获得效益最大化，以优化对已配置边缘通信实体所述资源的调配；其中，状态是由干扰分布，链路状况，缓存状态以及可用计算资源联合定义，动作分别为功率分配，信道选择，文件缓存，计算资源分配，奖励函数是从速率，能量效率及时延的性能指标中选择的；

若判定所述已配置边缘通信实体满足所述接入网络模式中的组网目的，则所述边缘计算逻辑模块为所述已配置边缘通信实体中的用户终端调配资源；将所述已配置边缘通信实体及已配置边缘通信实体中已调配资源的用户终端，组成雾无线接入网络，所述资源包含无线资源、计算资源及缓存资源。

2.如权利要求1所述的方法，其特征在于，在所述第一周期内，采用的所述机器学习算法为表示学习的方法，所述表示学习的方法包括：

从所述上报的数据，通过数据特征分类，得到降维后数据；

对降维后数据存在的潜在因子进行解析并构造有效表示，输出在所述无线接入网络的覆盖范围下，与所述用户行为、所述业务属性及所述性能指标相匹配的一种无线接入网络工作模式。

3.如权利要求1所述的方法，其特征在于，在所述无线接入网络工作模式为广域无缝覆盖模式的情况下，所述广域无缝覆盖模式中采用最强接收功率的宏基站，将所述无线接入网络中用户终端接入所述无线接入网络，所述最强接收功率的宏基站为配置有预设基站协议栈以及采用集中式部署的多输入多输出MIMO技术和多址接入技术的宏基站；

在所述无线接入网络工作模式为热点高容量模式的情况下，所述热点高容量模式中采用目标小基站，将所述无线接入网络中用户终端接入所述无线接入网络；所述目标小基站为干扰最集中区域内所述无线接入网络中用户终端平均容量高于第一预设门限值，或者与其余小基站之间的干扰大于第二预设门限值的小基站，所述其余小基站为在所述干扰最集中区域内所有小基站中除所述目标小基站以外的剩余的小基站；

在所述无线接入网络工作模式为大连接低功耗模式的情况下，所述大连接低功耗模式中采用借助预设区域内的无线接入网络中用户终端分簇得到的簇头，将同一簇内簇成员的请求，通过用户终端直通技术和中继多跳技术进行汇总，使得所述簇成员接入所述无线接入网络，所述簇头直接接入所述无线接入网络，所述簇头为接入节点的请求数量高于第三预设门限值的第一用户终端，所述簇成员为同一簇内所有无线接入网络中用户终端中除所述第一用户终端以外剩余的用户终端；

在所述无线接入网络工作模式为低时延高可靠模式的情况下，所述低时延高可靠模式中采用传输时延小于第四预设门限的雾接入节点F-AP，通过多址接入技术将所有无线接入网络中用户终端接入所述无线接入网络；或者

若判定所述F-AP的传输时延大于第四预设门限值，且第二用户终端与目标用户终端之间的传输时延小于所述第四预设门限值，则将所述目标用户终端接入所述第二用户终端，与所述第二用户终端进行终端直通建立通信。